因子分析法将相关性较强的几个变量归在同一类中，每一类赋予新的名称，成为一个因子，反映事物的一个方面，或者说一个维度。因子分析过程有如下关键活动。

因子分析适用的场合往往是一些多变量大样本的情形，研究者的目的则在于寻求这些具有内在相关性的变量背后的基本结构。应当依据过去的经验、理论或者研究者自己的判断选择包含在因子分析中的变量。最重要的是，这些变量必须具备区间或者比率测度等级。在样本大小方面，进行因子分析的样本容量至少应是因子分析所涉及变量数目的4～5倍。

因子分析基于变量间的协方差矩阵。换言之，包含在因子分析中的变量必须具有一定的相关性，如果变量间不存在相关性，或者相关性很小，那么因子分析将不是合适的分析方法。除了直观判定外，利用一些客观检验方法，如巴特利特球体检验和KMO测度等，都可以判断因子分析是否适合当前的情况。

主成分分析法和公因子分析法是两种主要的寻找公因子的方法。前者主要考虑变量的全部方差，而后者则着重考虑共同方法。因此，主成分分析法使用直接由数据计算出的协方差阵，而公因子分析法则先将计算出的协方差阵的对角线元素替换为一个估计的共同度，再进行后续分析。

因子分析的主要目的是用少数几个公因子来阐释数据的基本结构。这既要求因子的数目应该远比原来的变量个数少，同时又要求保留的因子能够尽可能多地保留原来变量的信息。因此因子数目的选择也就比较讲究，除了经验判断外，特征值法是选用较多的判断方法。此外，也常常使用基于所保留的因子能够解释的方差比例方法。一般而言，所保留的公因子至少应该能够解释所有变量60%的方差。

为使某些变量在某个因子上的负载高，在其他因子上的负载低，要依据因子对变量进行更好的聚类。正交旋转和斜交旋转是因子旋转的两类方法。正交旋转保持了坐标轴的正交性（成直角），即因子之间的不相关性，因此使用最多，也是正交因子模型的旋转方法，以方差最大化法最为常用；斜交旋转可以简化因子模式矩阵，提高因子的可解释性。

对所提取的公因子给出合理的解释，因子解释可以通过考虑在因子上具有较高负载的变量的意义进行。经过因子旋转后的因子负载阵可以大幅提高因子的可解释性。

如果后续分析需要，如进行回归分析等，通常需要进一步计算各公因子的因子得分，即给出各因子在每一个案例上的值。因子得分值可以用来代替原来的变量用于后续分析。由于消除了相关性，为后续的统计分析方法的应用提供了较大便利。

因子分析的最后，应判断构建的模型是否合适，这就涉及模型适合度的判断。这种判断常常基于残差矩阵进行。由因子模型的协方差结构可知，一旦因子模型建立，有了因子负载后，就可以计算观测变量的方差-协方差阵。这种由公因子再生的方差-协方差阵与实际观测到的方差-协方差阵之间的偏差为残差矩阵，残差矩阵是判断模型适合度的重要依据。如果残差矩阵中的值都比较大，那么有理由认为模型并不是很合适；反之如果残差矩阵接近于零矩阵，那么显然公因子可以很好地解释变量的方差-协方差关系，模型是合适的。

因子分析法在社会、政治、经济和医学等领域的研究中已经得到广泛应用。